
R中的正則表達式及字符處理函數(shù)總結
我們日常生活中接觸到的大部分數(shù)據(jù)都是以文本的形式存在。如何高效地處理文本數(shù)據(jù),將看似雜亂無章的數(shù)據(jù)整理成可以進行統(tǒng)計分析的規(guī)則數(shù)據(jù),是『數(shù)據(jù)玩家』必備的一項重要技能。
今天,我們要學習的『正則表達式』和『字符處理函數(shù)』將助你成為點石成金的數(shù)據(jù)魔法師。
在進行爬蟲任務的時候,部分情況下,我們可以使用Xpath來提取我們需要的網(wǎng)頁信息。但是,當我們需要的數(shù)據(jù)以一定的規(guī)則隱藏在一段文字中時,就不可避免地要使用到正則表達式。
正則表達式是對字符串類型數(shù)據(jù)進行匹配判斷,提取等操作的一套邏輯公式。
處理字符串類型數(shù)據(jù)方面,高效的工具有Perl和Python。如果我們只是偶爾接觸文本處理任務,則學習Perl無疑成本太高;如果常用Python,則可以利用成熟的正則表達式模塊:re庫;如果常用R,則使用Hadley大神開發(fā)的stringr包則已經(jīng)能夠游刃有余。
下面,我們先簡要介紹重要并通用的正則表達式規(guī)則。接著,總結一下stringr包中重要的字符處理函數(shù)。
如果有時間,我將后續(xù)補充一個綜合的使用案例。
元字符
正則表達式中,有12個字符被保留用作特殊用途。他們分別是:
它們的作用如下:
[ ]:括號內的任意字符將被匹配;
\:具有兩個作用:
1.對元字符進行轉義
2.一些以\開頭的特殊序列表達了一些字符串組
^:匹配字符串的開始.將^置于character class的首位表達的意思是取反義。如[^5]表示匹配除了”5”以外的任何字符。
$:匹配字符串的結束。但將它置于character class內則消除了它的特殊含義。如[akm$]將匹配’a’,’k’,’m’或者’$’.
.:匹配除換行符以外的任意字符。
|:或者
?:前面的字符(組)最多被匹配一次
*:前面的字符(組)將被匹配零次或多次
+:前面的字符(組)將被匹配一次或多次
( ):表示一個字符組,括號內的字符串將作為一個整體被匹配。
重復
轉義
如果我們想查找元字符本身,如”?”和”*“,我們需要提前告訴編譯系統(tǒng),取消這些字符的特殊含義。這個時候,就需要用到轉義字符\,即使用\?和\*.當然,如果我們要找的是\,則使用\\進行匹配。
注:R中的轉義字符則是雙斜杠:\\
R中預定義的字符組
代表字符組的特殊符號
stringr包中的重要函數(shù)
可見,stringr包中的字符處理函數(shù)更豐富和完整(其實還有更多函數(shù)),并且更容易記憶。或許速度也會更快。
其他相關的重要函數(shù)
windows下處理字符串類型數(shù)據(jù)最頭疼的無疑是編碼問題了。這里介紹幾個編碼轉換相關的函數(shù)。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關鍵? 在循環(huán)神經(jīng)網(wǎng)絡(RNN)家族中,長短期記憶網(wǎng)絡(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準備指南? ? 在數(shù)據(jù)驅動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務的價值轉化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預測分析中的應用:從數(shù)據(jù)查詢到趨勢預判? ? 在數(shù)據(jù)驅動決策的時代,預測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領域中,準確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認證作為國內權威的數(shù)據(jù)分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應對策略? 長短期記憶網(wǎng)絡(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學方法在市場調研數(shù)據(jù)中的深度應用? 市場調研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學方法則是市場調研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉日期:解鎖數(shù)據(jù)處理的關鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準確性的基礎 ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03